Аутоматизација: Будућност науке о подацима и машинском учењу?

Садржај

• Аутоматизација у области информационих технологија
• Да ли је аутоматизација будућност машинског учења?
• Без грешака, без стреса - Ваш корак по корак водич за креирање софтвера за промену живота без да вам уништи живот
• Истраживање случаја
• Машинско учење може заменити послове
• Закључак

Извор: Крулуа / Дреамстиме.цом

Одузети:

Машинско учење је способност система да мења сопствено програмирање. Али када систем то може учинити, да ли су људи још увек потребни?

Машинско учење је било једно од највећих достигнућа у историји рачунарства, а верује се да сада може да преузме значајне улоге на пољу великих података и аналитике. Анализа великих података је огроман изазов из перспективе предузећа. На пример, активности попут смисла огромне количине различитих формата података, припрема података за аналитику и филтрирање сувишних података могу потрошити пуно ресурса. Запошљавање научника и стручњака за податке скупа је понуда и није у складу са средствима сваке компаније. Стручњаци верују да је машинско учење способно да аутоматизује многе задатке повезане са аналитиком - и рутинском и сложеном. Аутоматско машинско учење може ослободити пуно ресурса који се могу користити у сложенијим и иновативнијим пословима. Чини се да машинско учење иде у том правцу. (Да бисте сазнали више о употреби машинског учења, погледајте Обећања и замке машинског учења.)

Аутоматизација у области информационих технологија

У смислу ИТ-а, аутоматизација је повезивање различитих система и софтвера, тако да су они у стању да раде одређене послове без икакве људске интервенције. У ИТ индустрији, аутоматизовани системи могу обављати и једноставне и сложене послове. Примјер једноставног посла може бити интегрирање обрасца с ПДФ-ом и упућивање документа исправном примаоцу, а пружање сигурносне копије ван мјеста може бити примјер сложеног посла.

Да би обавио свој посао, аутоматизовани систем мора бити програмиран или дати експлицитна упутства. Сваки пут када је од аутоматизованог система потребно да промени опсег својих послова, човек мора да ажурира програм или сет упутстава. Иако су аутоматизовани системи ефикасни на својим пословима, грешке се могу појавити због различитих разлога. Када се појаве грешке, потребно је идентификовати и отклонити основни узрок. Очигледно је да аутоматизовани системи да би радили свој посао потпуно зависе од људи. Што је сложенија природа посла, већа је вероватноћа грешака и проблема.

Обично се аутоматским системима додељују рутински и поновљиви послови. Чест пример аутоматизације у ИТ индустрији је аутоматизација тестирања веб-заснованих корисничких интерфејса. Тест случајеви се уносе у скрипте за аутоматизацију и кориснички интерфејси се у складу с тим тестирају. (За више информација о практичној употреби машинског учења, погледајте Машинско учење и Хадооп у детекцији превара нове генерације.)

Аргумент у корист аутоматизације је тај да он обавља рутинске и поновљиве задатке и ослобађа запослене да обављају сложеније и креативније задатке. Међутим, тврди се да је аутоматизација избацила пуно послова или улога које су људи раније обављали. Сада, кад је машинско учење пронашло свој пут у разним индустријама, аутоматизација би могла у потпуности додати нову димензију.

Да ли је аутоматизација будућност машинског учења?

Сама суштина машинског учења је способност система да непрекидно уче из података и развијају се без интервенције људи. Машинско учење може се понашати попут људског мозга. На пример, механизам за препоруке на веб локацији за е-трговину може проценити јединствене преференције и укусе корисника и понудити препоруке о производима и услугама који најбоље одговарају корисниковом избору. С обзиром на ову способност, машинско учење се сматра идеалним за аутоматизацију сложених задатака који се односе на велике податке и аналитику. Оно је већ превазишло ограничење традиционалних система за аутоматизацију који не могу да раде без редовне људске интервенције. Постоји више студија случаја које показују да је машинско учење способно да испуњава софистициране задатке за анализу података, као што ће бити расправљено касније у овом чланку.

Као што је већ истакнуто, анализа великих података представља изазован предлог за компаније и може се делимично пренети на системе машинског учења. Из перспективе предузећа, ово може донети много користи као што су ослобађање ресурса науке о подацима за креативније и критичније задатке, већи обим посла, мање времена потребно за испуњавање задатака и економичност.

Без грешака, без стреса - Ваш корак по корак водич за креирање софтвера за промену живота без да вам уништи живот

Не можете побољшати своје вештине програмирања када никога није брига за квалитет софтвера.

Истраживање случаја

Током 2015. године, истраживачи МИТ-а почели су радити на алату за науку о подацима који је способан да створи предиктивне моделе података из огромних количина необрађених података користећи технику која се зове алгоритам дубоке синтезе функција. Алгоритам, тврде научници, може да комбинује најбоље карактеристике машинског учења. Према научницима, они су већ тестирали алгоритам на три различита скупа података и проширит ће опсег тестирања на више скупова података. Описујући како то раде, истраживачи Јамес Мак Кантер и Калиан Веерамацханени изјавили су у раду који ће бити представљен на међународној конференцији о науци и анализи података: „Коришћењем процеса аутоматске прилагодбе оптимизирамо цео пут без људског учешћа, омогућавајући му да генерализира за различите скупове података. "

Испитајмо колико је сложен задатак био: алгоритам има способност која је позната и као могућност аутоматске прилагодбе уз помоћ којега добива или извлачи увиде или вредности из сирових података, као што су старост или пол, а након тога може да креира предиктивне моделе података. Алгоритам користи сложене математичке функције и теорију вероватноће познате као Гауссова копула. Дакле, лако је разумети степен сложености с којим је алгоритам у стању да изађе на крај. Техника је такође освојила награде на такмичењима.

Машинско учење може заменити послове

Широм света се расправља о томе да машинско учење може заменити многе послове јер обављање послова ефикасно у људском мозгу. У ствари, постоји забринутост да ће машинско учење заменити научнике који се баве подацима - и чини се да постоји основа за таква страховања.

За уобичајене кориснике који немају вештине за анализу података, али им је и даље потребна аналитика у свакодневном животу у различитом степену, није изведиво да имају рачунаре који могу да анализирају огромне количине података и нуде аналитику. Али природна технологија обраде језика (НЛП) може превазићи ово ограничење тако што се науче рачунари да прихватају и обрађују природни, говорни језик људи. На тај начин обичном кориснику нису потребне софистициране аналитичке могућности или вештине.

ИБМ вјерује да се потреба за научницима података може смањити или елиминирати помоћу његове платформе за анализу природног језика Ватсон. Према ријечима потпредсједника компаније Ватсон Аналитицс и Бусинесс Интеллигенце, Марца Атсцхуллера, „Са когнитивним системом попут Ватсона једноставно постављате своје питање - или ако немате питање, само учитајте своје податке и Ватсон може погледати и закључити шта бисте можда желели да знате. "

Закључак

Аутоматизација је следећи логички корак за машинско учење и већ смо искусили ефекте у свакодневном животу - на веб локацијама за е-трговину, предлозима пријатеља, препорукама за ЛинкедИн умрежавање и Аирбнб претраживачким рангирањима. Узимајући у обзир дате примере, нема сумње да се може бавити квалитетом производа аутоматизованим системима машинског учења. Због свих његових квалитета и предности, помисао на машинско учење које узрокује огромну незапосленост може се чинити помало претераном. Машине замењују људска бића у многим областима нашег живота већ неколико деценија, а опет, људска бића су се развила и прилагодила да остану релевантна у индустрији. У зависности од перспективе, машинско учење је, сву своју растрошност, само још један такав талас коме ће се људи прилагодити.